Fugu-MT 論文翻訳(概要): OutFlip: Generating Out-of-Domain Samples for Unknown Intent Detection with Natural Language Attack

論文の概要: OutFlip: Generating Out-of-Domain Samples for Unknown Intent Detection with Natural Language Attack

arxiv url: http://arxiv.org/abs/2105.05601v1
Date: Wed, 12 May 2021 11:38:34 GMT
ステータス: 処理完了
システム内更新日: 2021-05-13 19:16:03.069384
Title: OutFlip: Generating Out-of-Domain Samples for Unknown Intent Detection with Natural Language Attack
Title（参考訳）: OutFlip: 自然言語攻撃による未知のインテント検出のためのドメイン外サンプル生成
Authors: DongHyun Choi, Myeong Cheol Shin, EungGyun Kim, Dong Ryeol Shin
Abstract要約: OutFlipは、インドメイントレーニングデータセットのみを使用して、アウトオブドメインサンプルを自動的に生成する方法です。ホワイトボックスの自然言語攻撃法であるHotFlipを改訂し、逆例ではなくドメイン外サンプルを生成する。
参考スコア（独自算出の注目度）: 0.5161531917413708
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Out-of-domain (OOD) input detection is vital in a task-oriented dialogue system since the acceptance of unsupported inputs could lead to an incorrect response of the system. This paper proposes OutFlip, a method to generate out-of-domain samples using only in-domain training dataset automatically. A white-box natural language attack method HotFlip is revised to generate out-of-domain samples instead of adversarial examples. Our evaluation results showed that integrating OutFlip-generated out-of-domain samples into the training dataset could significantly improve an intent classification model's out-of-domain detection performance.
Abstract（参考訳）: オフ・オブ・ドメイン(OOD)入力検出はタスク指向の対話システムにおいて不可欠である。本稿では,ドメイン内トレーニングデータセットのみを自動生成するOutFlipを提案する。ホワイトボックス自然言語攻撃法hotflipを改訂し、逆の例の代わりにドメイン外サンプルを生成する。評価結果は,OutFlip生成したドメイン外サンプルをトレーニングデータセットに統合することで,意図分類モデルのドメイン外検出性能を大幅に向上できることを示した。

関連論文リスト

Multi-modal Instance Refinement for Cross-domain Action Recognition [25.734898762987083]
教師なしのクロスドメインアクション認識は、既存のラベル付きソースドメインでトレーニングされたモデルを新しいラベル付きターゲットドメインに適応させることを目的としている。強化学習に基づく負の伝達を軽減するために,MMIR法を提案する。提案手法は,EPIC-Kitchensベンチマークを用いたクロスドメイン動作認識において,他の最先端のベースラインよりも優れている。
論文参考訳（メタデータ） (2023-11-24T05:06:28Z)
MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文参考訳（メタデータ） (2023-02-09T12:06:08Z)
A Novel Dataset for Evaluating and Alleviating Domain Shift for Human Detection in Agricultural Fields [59.035813796601055]
トレーニングセットの分布外のデータに展開した場合、ドメインシフトが、よく知られたオブジェクト検出データセット上で訓練された人間の検出モデルに与える影響を評価する。我々は、ロボットティプラットフォームを用いて、農業ロボット応用の文脈で収集されたOpenDR Humans in Fieldデータセットを紹介した。
論文参考訳（メタデータ） (2022-09-27T07:04:28Z)
Towards Textual Out-of-Domain Detection without In-Domain Labels [41.23096594140221]
この研究は、ドメイン内のデータのラベルにアクセスできないOOD検出の難しいケースに焦点を当てている。まず、トークン列の確率を予測する異なる言語モデルに基づくアプローチを評価する。教師なしクラスタリングとコントラスト学習を組み合わせた表現学習手法を提案する。
論文参考訳（メタデータ） (2022-03-22T00:11:46Z)
Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文参考訳（メタデータ） (2021-11-30T18:42:42Z)
Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
論文参考訳（メタデータ） (2021-06-02T05:21:25Z)
Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-04-19T16:07:32Z)
ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。 FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。 reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
論文参考訳（メタデータ） (2020-12-27T02:38:45Z)
Squeezing value of cross-domain labels: a decoupled scoring approach for speaker verification [24.627943147861153]
ドメイン間データを追加するだけでは、登録テストミスマッチのある条件下でのパフォーマンスが向上しないことを示す。クロスドメインラベルの値を最大に絞り込むことのできる分離されたスコアリング手法を提案する。チャネル横断試験実験の結果,提案手法は高い有効性を示した。
論文参考訳（メタデータ） (2020-10-27T12:32:25Z)
Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
論文参考訳（メタデータ） (2020-04-30T23:56:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。